Skip to content
KitploitKITPLOIT
StrumentiExploitsBlog
Log in
Invia
StrumentiExploitsBlog
Invia

Strumenti di Hacking, PenTest e Cybersecurity per il tuo Arsenale di Sicurezza!

Kitploit è una directory di strumenti di hacking, cybersecurity e pentesting. Scopri gli ultimi aggiornamenti dei progetti per trovare vulnerabilità, analizzare sistemi, automatizzare i test e rafforzare la tua sicurezza.

FeedContattoPrivacy© 2026 Kitploit

Directory degli strumenti

Categorie

Vedi tutte le categorie
Loading categories
seclab-taskflow-agent — Framework multi-agente abilitato MCP per flussi di lavoro agentici dichiarativi guidati da YAML, utilizzato per l'auditing del codice assistito dall'IA, il triage delle vulnerabilità e la ricerca sulla sicurezza con integrazione CodeQL. | Kitploit
Strumenti/GitHubGitHub/githubsecuritylab/seclab-taskflow-agent
Analisi StaticaScanner di VulnerabilitàAnalisi Statica del Codice (SAST)Analisi delle VulnerabilitàAnalisi del CodiceScripting e AutomazionePenetration TestingUtilità e Framework
Machine Learning
Apprendimento e Formazione
Reverse Engineering Assistito dall'IA
Sicurezza dell'IA
GitHubgithubsecuritylab/seclab-taskflow-agent

seclab-taskflow-agent

Framework multi-agente abilitato MCP per flussi di lavoro agentici dichiarativi guidati da YAML, utilizzato per l'auditing del codice assistito dall'IA, il triage delle vulnerabilità e la ricerca sulla sicurezza con integrazione CodeQL.

Vedi Repository
2874212512 giorni faRevisionato da Kitploit
Condividi

Agente Taskflow del GitHub Security Lab

Il Security Lab Taskflow Agent è un framework multi-agente abilitato MCP per workflow agentici dichiarativi basati su YAML.

Costruito sopra l'OpenAI Agents SDK, utilizza Pydantic per la validazione della grammatica e Jinja2 per il rendering dei template.

Concetti fondamentali

Il Taskflow Agent sfrutta una grammatica basata su YAML simile a quella dei GitHub Workflow per eseguire una serie di attività utilizzando un insieme di Agenti.

La sua proposta di valore principale è quella di essere uno strumento CLI che consente agli utenti di definire e scriptare rapidamente workflow agentici senza dover scrivere alcun codice.

Gli Agenti sono definiti tramite personalità, che ricevono un task da completare, con un insieme di strumenti.

Gli Agenti possono cooperare per completare sequenze di attività tramite i cosiddetti taskflow.

Puoi trovare una panoramica dettagliata della grammatica dei taskflow qui e taskflow di esempio qui.

Architettura

┌─────────────────────────────────────────────────────┐
│                   CLI (cli.py)                      │
│  Typer-based entry point: -p, -t, -l, -g, -m, --resume, --lint│
└─────────────────────┬───────────────────────────────┘
                      │
┌─────────────────────▼───────────────────────────────┐
│              Runner (runner.py)                     │
│  Taskflow execution loop, model resolution,         │
│  template rendering, session checkpointing          │
└─────────────────────┬───────────────────────────────┘
                      │
┌─────────────────────▼───────────────────────────────┐
│          MCP Lifecycle (mcp_lifecycle.py)           │
│  Server connection, cleanup, process management     │
└─────────────────────┬───────────────────────────────┘
                      │
┌─────────────────────▼───────────────────────────────┐
│            Agent (agent.py)                         │
│  TaskAgent wrapper, hooks, OpenAI Agents SDK bridge │
└─────────────────────────────────────────────────────┘

Supporting modules:
  models.py          — Pydantic v2 grammar models (validation)
  session.py         — Task-level checkpoint / resume
  available_tools.py — YAML resource loader with caching
  template_utils.py  — Jinja2 template environment
  mcp_utils.py       — MCP client parameter resolution
  mcp_transport.py   — MCP transport implementations (stdio, streamable)
  mcp_prompt.py      — System prompt construction
  prompt_parser.py   — Legacy prompt argument parser
  capi.py            — AI API endpoint and token management
  path_utils.py      — Platform-aware data/log directories

Tipi di API

L'agente supporta sia le API OpenAI Chat Completions che Responses. Il tipo di API può essere configurato globalmente o per modello in un file model_config:

seclab-taskflow-agent:
  version: "1.0"
  filetype: model_config
api_type: chat_completions        # default for all models
models:
  gpt_default: gpt-4.1
  gpt_responses: gpt-5.1
model_settings:
  gpt_responses:
    api_type: responses           # override for this model
    endpoint: https://api.githubcopilot.com
    token: CAPI_TOKEN             # env var name containing the API key

model_settings per modello può includere:

  • api_type — "chat_completions" (predefinito) o "responses"
  • endpoint — override dell'URL di base dell'API per questo modello
  • token — nome di una variabile d'ambiente contenente la chiave API

Backend

Il runner può pilotare tre SDK dietro un'interfaccia comune:

  • openai_agents (predefinito) — l'OpenAI Agents Python SDK. Supporta handoff multi-personalità, sia chat_completions che responses come api_type, temperature, parallel_tool_calls, exclude_from_context e MCP su stdio, SSE e HTTP streamable.
  • copilot_sdk — il GitHub Copilot Python SDK. Supporta lo streaming, reasoning_effort, MCP su stdio/SSE/HTTP e il controllo dei permessi per singolo strumento. L'SDK seleziona autonomamente il proprio protocollo di rete per modello, quindi il campo api_type del YAML non viene rispettato; gli handoff multi-personalità, temperature e parallel_tool_calls non sono parimenti disponibili. I taskflow che utilizzano campi non supportati falliscono al caricamento con un BackendCapabilityError che indica il campo incriminato.
  • anthropic_sdk — l'Anthropic Python SDK, che pilota la nativa Messages API (/v1/messages). Supporta lo streaming, il tool calling tramite MCP e il thinking adattivo con reasoning.effort configurabile (low, medium, high, max). Gli handoff non sono supportati. Progettato per l'uso con l'endpoint Anthropic di CAPI; l'autenticazione utilizza Authorization: Bearer (non x-api-key).

Precedenza di selezione (dalla più alta alla più bassa):

  1. backend: per attività nel blocco model_settings dell'attività stessa (sovrascrive il valore a livello di modello per quella singola attività; vedere _resolve_task_model()).
  2. backend: per modello nel model_settings della configurazione del modello (consente backend misti in un singolo taskflow).
  3. Campo backend: al livello superiore del documento di configurazione del modello (predefinito globale).
  4. Variabile d'ambiente SECLAB_TASKFLOW_BACKEND.
  5. openai_agents.
seclab-taskflow-agent:
  version: "1.0"
  filetype: model_config
models:
  code_analysis: claude-opus-4.7
  general_tasks: gpt-5.4-mini
model_settings:
  code_analysis:
    api_type: messages
    backend: anthropic_sdk
    reasoning:
      effort: high
  general_tasks:
    api_type: responses
    backend: openai_agents

Traduzione degli errori e nuovo tentativo

Ogni adattatore di backend traduce le proprie eccezioni native dell'SDK nella gerarchia neutrale in sdk/errors.py, così il runner applica la politica di retry senza importare alcun SDK. Aggiungere un backend significa tradurre anche i suoi errori; test_every_backend_adapter_translates_transport_failures lo impone su tutto il registry.

I guasti di trasporto richiedono una gestione esplicita e sono facili da trascurare. Gli SDK dei vendor avvolgono httpx solo attorno alla chiamata che invia la richiesta e, con lo streaming, questa ritorna quando arrivano gli header della risposta mentre il body viene iterato in seguito. Una connessione che muore a metà body si manifesta quindi come un errore httpx nudo, che non appartiene né alla gerarchia dell'SDK né a quella dei builtin. sdk/_transport.py enumera quelli ritentabili e ogni adattatore li mappa su BackendTransportError. L'insieme è enumerato anziché catturare httpx.TransportError in blocco, perché LocalProtocolError significa che la richiesta era malformata e UnsupportedProtocol è deterministico.

Il retry ha un unico proprietario: il branch, in _deploy_with_transport_retry. È l'unico livello che azzera lo stato di cattura tra un tentativo e l'altro, così un risultato di tool registrato prima di un guasto non può essere pubblicato due volte né diventare l'output nominato del task, e ripete solo il branch fallito anziché i sibling che potrebbero aver già scritto su sistemi esterni. I retry sono limitati da TASK_RETRY_LIMIT con backoff lineare a partire da TASK_RETRY_BACKOFF.

Scarica lo strumento

Più Popolari

Vedi tutti →

Scopri gli strumenti più utilizzati dalla nostra community.

  • 1

    OsintHunter

    letox4/osinthunter

    🎯 Il toolkit OSINT definitivo: grafo di indagine, punteggio di affidabilità, famiglie di alias, mappa, timeline e report. 49 moduli, oltre 400 siti, nessuna chiave API richiesta.

    732
  • 2

    ghostlock-app

    yukonga/ghostlock-app

    # App di esecuzione con un tocco GhostLock (CVE-2026-43499)

    506
  • 3

    ARTEX

    baarai/artex

    Piattaforma di penetration testing autonoma multi-agente basata su LLM con agenti planner/worker, grafi di asset e di esplorazione, registrazione del traffico MITM e retesting delle vulnerabilità.

    405
  • 4

    redforge

    cybersecurity91/redforge

    Toolkit red team lato browser con 102 strumenti offline per ricognizione, generazione di payload, attacchi alle credenziali, crittografia, codifica e reportistica dell'engagement.

    342
  • 5

    CyberStrikeAI

    ed1s0nz/cyberstrikeai

    Il sistema d'azione per la cybersecurity nativa AI—dove l'intento diventa esecuzione governata, le evidenze diventano memoria operativa, e ogni operazione migliora la successiva.

    261
  • 6

    antifox

    antifox-ai/antifox

    Piattaforma multi-agente di penetration testing autonoma basata sull'IA che esegue ricognizione, scoperta della superficie d'attacco, validazione dello sfruttamento e consegna di report supportati da evidenze.

    259

Esplora tutti gli strumenti

Sfoglia la nostra collezione di strumenti

Vedi tutti gli strumenti →